Viele Methoden des unüberwachten Domänenadapts (UDA) wurden vorgeschlagen, um die Domänenlücke durch die Nutzung domäneninvarianter Informationen zu überbrücken. Die meisten Ansätze haben die Tiefe als solche Information gewählt und bemerkenswerte Erfolge erzielt. Trotz ihrer Effektivität kann die Verwendung von Tiefeninformationen in UDA-Aufgaben zu mehreren Problemen führen, wie beispielsweise übermäßig hohen Extraktionskosten und Schwierigkeiten bei der Erreichung einer verlässlichen Vorhersagequalität. Aus diesem Grund stellen wir Edge Learning basierte Domänenadaption (ELDA) vor, einen Rahmen, der Kantendaten in seinen Trainingsprozess integriert, um als eine Art domäneninvariante Information zu dienen. In unseren Experimenten zeigen wir quantitativ und qualitativ, dass die Einbeziehung von Kantendaten tatsächlich vorteilhaft und effektiv ist und es ELDA ermöglicht, moderne Spitzenmethoden auf zwei gängigen Benchmarks für semantische Segmentierungsbasierte UDA-Aufgaben zu übertreffen. Darüber hinaus demonstrieren wir, dass ELDA in der Lage ist, die Merkmalsverteilungen verschiedener Klassen besser zu trennen. Wir führen zudem eine Ablationsanalyse durch, um unsere Designentscheidungen zu rechtfertigen.